UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

CURSO DE ADMINISTRAÇÃO

JAIANY ROCHA TRINDADE

PERSONALIZAÇÃO DE CONTEÚDO NA NETFLIX E SUAS

RELAÇÕES NA SATISFAÇÃO DO CONSUMIDOR

CAMPINA GRANDE
2021
 JAIANY ROCHA TRINDADE

PERSONALIZAÇÃO DE CONTEÚDO NA NETFLIX E SUAS

RELAÇÕES NA SATISFAÇÃO DO CONSUMIDOR

Trabalho de Conclusão de Curso

apresentado ao Curso de Bacharelado em
Administração, da Universidade Federal
de Campina Grande, em cumprimento
parcial das exigências para obtenção do
título de Bacharel em Administração.

Orientador: Prof. Elmano Pontes Cavalcanti, Dr.

Coorientadora: Profa. Laura Maria Aguiar Costa, M. Sc.

CAMPINA GRANDE
2021
 FICHA CATALOGRÁFICA

Dados Internacionais de Catalogação-na-Publicação (CIP) (Biblioteca da

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE, Campina Grande –
PB, Brasil)

TRINDADE, Jaiany Rocha

Personalização de Conteúdo na Netflix e
suas relações na satisfação do consumidor /
Jaiany Rocha Trindade -

Campina Grande, PB, 2021. 29 f.

Trabalho de Conclusão de Curso - UFCG

Campina Grande, PB, 2021.

Orientador. Prof. Elmano Pontes Cavalcanti, Dr.

Coorientadora. Profa. Laura Maria Aguiar Costa, M. Sc.

1. Netflix. 2. Sistemas de Recomendação. 3. Inteligência Artificial. 4.

Satisfação do consumidor. 5. SEM-PLS.
 FOLHA DE APROVAÇÃO
JAIANY ROCHA TRINDADE

PERSONALIZAÇÃO DE CONTEÚDO NA NETFLIX E SUAS RELAÇÕES NA

SATISFAÇÃO DO CONSUMIDOR

Aprovado em 23 de dezembro de 2021

BANCA EXAMINADORA

Orientador: Prof. Elmano Pontes Cavalcanti, Dr.

______________________________________________________
Coorientadora: Profa. Laura Maria Aguiar Costa, M. Sc.

Prof. Edvan Cruz Aguiar, Dr. (UFCG)

Prof. Marcelo Alves de Barros, Dr. (UFCG)

CAMPINA GRANDE
2021
 1

PERSONALIZAÇÃO DE CONTEÚDO NA NETFLIX E SUAS RELAÇÕES NA

SATISFAÇÃO DO CONSUMIDOR

Jaiany Rocha Trindade1

Elmano Pontes Cavalcanti2
Laura Maria Aguiar Costa3
RESUMO

As ferramentas de Inteligência Artificial estão cada vez mais presentes no dia a dia das organizações,
sobretudo, auxiliando na compreensão do comportamento do consumidor. Nesta perspectiva, os
Sistemas de Recomendação estão se tornando essenciais para a estratégia, contudo, ao verificarmos os
estudos na área, principalmente os que consideram a perspectiva do usuário observa-se um gap. O
objetivo foi analisar as opiniões dos usuários da Netflix sobre os conteúdos indicados pelos sistemas de
recomendação da plataforma e sua relação com a satisfação. A partir de uma modelagem de equações
estruturais com estimação por mínimos quadrados parciais, a pesquisa envolveu a aplicação de um
survey online junto aos usuários da Netflix, obtendo-se uma amostra de 429 respondentes. Os resultados
evidenciaram que a variedade das recomendações influencia positivamente a percepção dos usuários
quanto a qualidade do conteúdo e a eficácia e entretenimento da plataforma. Verificou-se ainda que a
eficácia e entretenimento se relacionam positivamente com a satisfação do usuário, contudo, o mesmo
não aconteceu com a qualidade do conteúdo. Portanto, conclui-se que variedade, qualidade do conteúdo,
e eficácia e entretenimento dos sistemas de recomendações da Netflix exercem influência na opinião de
seu usuário, contribuindo para a sua experiência, e consequentemente, a satisfação. O estudo contribui
para uma melhor compreensão acerca da utilização da inteligência artificial, principalmente, dos
sistemas de recomendação para a satisfação dos usuários, fornecendo insights para um campo de estudos
ainda incipiente.

Palavras-chave: Netflix. Sistemas de Recomendação. Inteligência Artificial. Satisfação do

consumidor. SEM-PLS.

NETFLIX'S CONTENT CUSTOMIZING AND ITS RELATIONSHIPS IN

CUSTOMER'S SATISFACTION

ABSTRACT

Artificial Intelligence tools are increasingly present in the organizations’ daily lives, mainly, helping to
understand consumer’s behavior. In this perspective, Recommender Systems are becoming essential to
the strategy, however, when looking at studies in the area, especially those that consider the user's
perspective, a gap is observed. The objective was to analyze the Netflix users’ opinion about the contents
indicated by the platform's recommendation systems and its relationships with satisfaction. From a
structural equation modeling with partial least squares estimation, the research involved the application
of an online survey with the Netflix users, obtaining a sample of 429 respondents. The results showed
that the variety of recommendations positively influences users' perception content’s quality and the

1
Graduanda em Administração na Universidade Federal de Campina Grande, Brasil (UFCG). E-mail:
rtjaiany@gmail.com
2
Doutor em Administração pela Universidade Federal da Paraíba, Brasil (UFPB). Professor Titular na UFCG.
Tutor do PET Administração UFCG e Líder do grupo de pesquisas Gestão de Negócios e Competitividade. E-
mail: elmanopc@gmail.com
3
Doutoranda em Administração pela Universidade Federal da Paraíba (UFPB). Professora na UFCG. Mestre em
Administração pela Universidade Federal da Paraíba, Brasil (UFPB). E-mail: laura.aguiar27@gmail.com
 2

effectiveness and entertainment of the platform. It was also found that effectiveness and entertainment
are positively related to user’s satisfaction, however, the same did not happen with content quality.
Therefore, it is concluded that variety, content’s quality, and effectiveness and entertainment of Netflix's
recommendation systems influence the opinion of its users, contributing to their experience, and
consequently, satisfaction. The study contributes to a better understanding of the use of artificial
intelligence, especially, recommendation systems for user’s satisfaction, providing insights for a still
incipient field of studies.
Keywords: Netflix. Recommender Systems. Artificial Intelligence. Customer satisfaction.
SEM-PLS.

1. Introdução

A grande quantidade de informações sobre os consumidores e a aplicação de técnicas

de Data Analysis e de Inteligência Artificial (IA), vem contribuindo para uma melhora na
compreensão do comportamento do consumidor, oferecendo mais assertividade na criação,
personalização e direcionamento de produtos e serviços. A IA, através dos algoritmos de
Machine Learning e dos Sistemas de Recomendação (SR), apresenta itens mais direcionados
ao perfil de cada usuário, o que pode atender de forma mais adequada as necessidades do
consumidor e até aumentar a receita da empresa (Alvarez et al., 2016; Iansiti & Lakhani, 2020).
A utilização dos SR pelas organizações é crescente, uma vez que auxiliam na definição
de estratégias, principalmente no que concerne à conquista da preferência e fidelidade dos
consumidores (Baierle et al., 2019), contribuindo diretamente no aumento do lucro das
empresas visto a adequação das recomendações às necessidades dos clientes (Alvarez et al.,
2016). Na Amazon, por exemplo, são responsáveis por 35% das vendas e em algumas
categorias o percentual é ainda maior: 93% em eletrônicos; 83,3% em calçados; 96,9% em
esportes, aventura e lazer; e 96,8% em joias (Li et al., 2018; Kavinski, 2020). No Brasil, o
sistema de recomendação Bob, da Magazine Luiza, é responsável por um incremento de mais
de 280% em vendas (Contrates, 2019).
Quanto à retenção, engajamento e recomendação, além de auxiliar na produção de
conteúdos audiovisuais, vale a pena destacar que a utilização dos SR presentes nas plataformas
de Video on Demand (VoD) proporciona aos usuários uma identificação com as narrativas e a
manutenção de suas assinaturas (Gomez-Uribe & Hunt, 2015; Underwood, 2020). Nesse
contexto, a Netflix tem sido referência entre as plataformas de streaming na utilização dos SR,
podendo-se destacar que: mais de 60% do consumo dos seus conteúdos são provenientes de
suas recomendações (Li et al., 2018); o quadro de assinantes no primeiro trimestre de 2020 era
composto por cerca de 182 milhões de assinantes e, em janeiro de 2021 ultrapassou os 200
milhões. Enquanto isso, a Amazon Prime, sua adversária mais forte, possui cerca de 150
milhões de assinantes (Ha, 2020; Battaglia, 2021).
 3

A relativa disseminação empresarial dos sistemas de recomendação não é consequência

apenas de números como esses, é decorrência de outros fatores: (1) definem gostos de consumo,
segmentando o que já agrada o cliente e o que há de potencial de consumo; (2) propiciam a
produção de modelos de comportamento do cliente cada vez mais precisos e sofisticados; (3)
compreendem e analisam o comportamento, interações e os fatores que levam ao engajamento;
(4) adaptam e auxiliam a criar novos produtos e serviços, influenciando diretamente o consumo,
experiência e satisfação (Knijnenburg et al., 2012; Kumar et al., 2016; Brill et al., 2019;
Schipmann, 2019; Iansiti & Lakhani, 2020).
Apesar de ser um tema emergente e ainda pouco explorado, estudos como os de
Knijnenburg et al. (2012) e Garcia-Gathright et al. (2018) proporcionam uma abordagem
aplicada, indicando que os SR exercem influência na satisfação do usuário.
Considerando um estudo bibliométrico realizado por Beel et al. (2016), apenas 8% das
abordagens sobre a temática foram realizadas em plataformas online ativas com usuários reais,
no entanto, a maioria dos estudos realizam comparações entre sistemas, existindo pesquisas
escassas voltadas a perspectiva do consumidor (e.g. Gomez-Uribe & Hunt, 2015; Beladev et
al., 2016; Köhler et al., 2016). Além disso, a maioria dos trabalhos nessa temática estão
direcionados a implementação e desenvolvimento de SR mais precisos, voltados para as áreas
de computação e engenharias (e.g. Paradarami et al., 2017; Danaf et al., 2019; Hwangbo &
Kim, 2019; Esmaeili et al., 2020). Isso, evidencia a existência de uma lacuna de conhecimento
e, ao mesmo tempo uma oportunidade a ser explorada por diversas áreas.
Ao observar que a maioria dos estudos prioriza a precisão dos algoritmos, em detrimento
da percepção de quem os utiliza, o que talvez possa explicar o porquê dos melhores algoritmos
muitas vezes não proporcionarem as melhores experiências, torna-se importante conhecer os
impactos da utilização desses sistemas e como estes afetam a opinião dos usuários. Assim, o
objetivo é analisar as opiniões dos usuários da Netflix sobre os conteúdos indicados pelos
sistemas de recomendação da plataforma e sua relação com a satisfação.
Os resultados podem trazer diversas contribuições, entre estas: entender o
comportamento do consumidor a partir da utilização da IA, dimensionar o impacto dos SR na
decisão do consumidor, apoiar o direcionamento de marketing das organizações (Overgoor et
al., 2019; Zhang et al., 2021), e proporcionar insights para futuras pesquisas. Portanto, este
estudo se justifica.

2. Fundamentação Teórica
 4

Para melhor compreenção da Inteligência Artificial (IA), faz-se necessário resgatar suas
origens, que, no decorrer de sua história, foi evoluindo a partir de suas aplicações. Nesse
sentido, verifica-se um consenso entre os pesquisadores do campo de que seu aparecimento
como disciplina científica ocorreu após a Segunda Guerra Mundial, mais precisamente em
1956, na conferência em Darthmouth (Calsey, 1997; Ginsberg, 1997; Russel & Norvig, 2010).
Hoje, entende-se que a IA busca implementar numa máquina a possibilidade de realizar
tarefas que requerem inteligência e de maneira muito similar as pessoas, que as realizam
atingindo metas específicas por meio de adaptação flexível (Kaplan & Haenlein, 2019; Brei,
2020). Pode-se observar no desenvolvimento da história da IA (Figura 01), que a partir dos
anos 2000, houve um crescimento significativo, em face da evolução computacional e da
popularização da internet (Huawei, 2021).
Figura 01
Visão geral do desenvolvimento da IA

Fonte: Adaptado de Huawei (2021).

No que se refere aos estudos científicos na área, observa-se uma evolução crescente das
pesquisas na temática, principalmente quando se analisa os últimos anos (Figura 02). Os quais
têm-se concentrado, principalmente, nas áreas de Machine Learning (ML) e Deep Learning
(DL), ou seja, na construção de agentes inteligentes capazes de tomar boas decisões, planejar e
inferir dados (Syam & Sharma, 2018; Zhang, 2020; Janiesch, Zschech, & Heinrich, 2021).
 5

Figura 02
Evolução dos estudos sobre a IA

Fonte: Web of Science (2021).

Em ML os dados são condição sine qua non para o seu desenvolvimento, por meio
desses, os algoritmos são capazes de melhorar automaticamente, aprendendo e realizando
previsões (Dzyabura & Yoganarasinhan, 2018). Já a DL, é uma abordagem de ML, que visa
reunir conhecimento a partir de dados, formando assim uma hierarquia que permite a
aprendizagem computacional de conceitos complexos a partir de outros mais simples, de forma
a garantir uma aprendizagem mais profunda (Goodfellow et al., 2016).
Na perspectiva do marketing, a IA vem colaborando para uma maior aproximação entre
os clientes e as empresas (Schipmann, 2019; Davenport et al., 2020; Kumar et al., 2020; Rust,
2020), principalmente quando se consideram os possíveis impactos no comportamento do
consumidor e em seu processo decisório, a partir de uma experiência única e um conteúdo
totalmente personalizado (Jarek & Mazurek, 2019; Marinchak et al., 2018; Schipmann, 2019;
Steinhoff et al., 2019; Brei, 2020; Davenport et al., 2020).
O marketing tem-se utilizado da IA para o direcionamento de conteúdo. Assim,
produtos/serviços são apresentados no momento certo, personalizado e muitas vezes com
indicativos de preferências que chamam a atenção, já que um algoritmo trabalhou previamente
para que estas informações precisas cheguem facilmente ao potencial cliente (Kumar et al.,
2016; Wirth, 2018; Campbell et al. 2019; Libai et al., 2020).
A partir desses algoritmos de ML, os Sistemas de Recomendação (SR) atuam na
previsão do comportamento de consumo. Além disso, vêm sendo utilizados para lembrar os
consumidores sobre uma necessidade específica, como também conseguem, por meio de
informações previamente rastreadas, elaborar a melhor estratégia de indução de compra para
aquele determinado consumidor ou grupo de consumidores (Syam & Sharma, 2018; Overgoor
et al., 2019; Zhang et al., 2021).
 6

Um Sistema de Recomendação é constituído a partir um conjunto de técnicas e

algoritmos que seleciona itens tendo como base os dados da interação e interesses dos usuários.
Dessa forma, os SR são classificados com base na técnica utilizada para fazer as
recomendações: filtragem colaborativa - avalia a relevância de um item para um usuário com
base na opinião dos membros de uma comunidade (Nanas et al., 2010); filtragem baseada em
conteúdo - tais sistemas são desenvolvidos no pressuposto de que itens com características
semelhantes serão avaliados de forma semelhante pelos usuários (Wu et al., 2014); sistemas de
recomendação baseados em conhecimento - recomenda produtos com base no conhecimento
de domínio específico sobre como certas características do item que satisfazem as necessidades
e especificações dos usuários (Ricci et al., 2015); sistemas de recomendação híbridos - qualquer
combinação de duas ou mais técnicas descritas acima pode ser categorizada como um sistema
de recomendação híbrido (Jannach et al., 2010).
Grandes empresas tais como a Amazon, Google, Facebook, Magazine Luiza, utilizam
esses sistemas como parte de suas estratégias de marketing. Nesta perspectiva, algumas
plataformas de streaming fazem desses sistemas a base de seu modelo de negócio (Garcia-
Gathright et al., 2018). Para fins desse estudo, analisa-se os sistemas de recomendação da
Netflix.
A Netflix já buscava se destacar frente a seus concorrentes desde sua fundação no ano
de 1997, nos Estados Unidos, com o envio de DVD’s por correio, oferecendo um serviço onde
nenhum pagamento punitivo era cobrado pelo atraso na entrega (Molina, 2020). Em 2008,
substituiu seu formato original pelo esquema de streaming, passando a operar a partir da
infraestrutura de acesso à internet disponível, através das plataformas over-the-top, fornecendo
um serviço de Video on Demand (VoD) (Randolph, 2019).
A partir de então, tem sido referência entre as plataformas de VoD quanto a utilização
dos sistemas de recomendação, tanto, que em 2006 anunciou um concurso4 para tentar melhorar
a qualidade preditiva, oferecendo U$ 1 milhão para a equipe que conseguisse melhorar a
efetividade das recomendações em pelo menos 10%. Atualmente, a empresa utiliza um sistema
de recomendação híbrido que leva em consideração os seguintes aspectos: (1) interações com
o serviço (o que foi visto e a nota dada); (2) o que foi assistido por outros assinantes com gostos
similares e preferências; (3) informações sobre os títulos, como gênero, categorias, atores, ano

4
Época Negócios. (2006). Netflix oferece US$1 milhão para quem criar sistema de recomendação mais
eficiente. http://colunas.revistaepocanegocios.globo.com/tecneira/2009/09/21/netflix-oferece-us1-milhao-para-
quem-criar-sistema-de-recomendacao-mais-eficiente/
 7

de lançamento, etc; (4) o horário em que o usuário assiste; (5) os aparelhos utilizados para
assistir; e (6) por quanto tempo o usuário assiste (Netflix, 2021).
Contudo, a Netflix não tem utilizado os SR apenas para direcionamento de conteúdo,
mas também para a sua produção. Em 2008, a empresa anunciou um plano para entrar no
mercado de programação original, onde a série House of Cards (2013 - 2018) foi um dos
primeiros grandes casos de teste dessa estratégia criativa baseada em big data (Leonard, 2013).
Diante disso, seu novo algoritmo atua como um componente central de sua estratégia de
marketing (Valiati, 2018), identificando padrões complexos embutidos nos dados, analisando
o comportamento passado para prever o futuro, contribuindo na elaboração de estratégias para
sensibilizar o público-alvo (Postmus & Bhulai, 2018).
Todavia, ao observar os estudos sobre os SR, estes em sua grande maioria se utilizam
de testes A/B, realizando comparações de desempenho entre SR, ou na criação de novos
modelos (e.g. Subbian et al., 2016; Seo et al., 2017; Hwangbo & Kim, 2019; Esmaeili et al.,
2020), além destes há outros que são de difícil replicação (e.g. Camerer et al., 2018). Além
disso, alguns trabalhos empíricos vem demonstrando que a utilização desses sistemas
contribuem diretamente para a satisfação (e.g. Knijnenburg et al., 2012; Garcia-Gathright et al.,
2018; Li et al., 2018).
Para Oliver (1981) a satisfação do cliente é conceituada como a avaliação pós-consumo
da empresa ou marca e/ou suas ofertas, dependendo do valor percebido, da qualidade e
expectativas. A satisfação pode ser definida como um julgamento do cliente de que um produto
ou serviço fornece nível prazeroso de realização relacionada ao consumo (Zeithaml et al.,
2003). Para Castro e Ribeiro (2005) a satisfação refere-se a avaliação do consumidor sobre a
compra e experiência de consumo de um produto, serviço ou fornecedor. Enquanto para Wicks
e Roethlein (2009) significa fornecer bens e serviços que criam níveis específicos de valor
percebido para o cliente, de modo que o cliente permaneça engajado positivamente com a
organização.
Nesta perspectiva, diversos estudos apresentam diferentes construtos como
antecedentes da satisfação do usuário a partir da utilização da IA (e.g. Knabke & Olbrich, 2017;
Chung et al., 2018; Brill et al., 2019; Arzu, 2020; Chen et al., 2021; Gelbrich et al., 2021) logo,
atributos como a qualidade do produto/serviço, a experiência de uso, desempenho, facilidade
de uso, segurança, entre outros, atuam como mediadores da satisfação. Assim, o modelo
proposto por Knijnenburg et al. (2012) busca realizar uma avaliação centrada no usuário,
considerando todo o processo da sua experiência e o que o leva a satisfação, por meio do uso
dos sistemas de recomendação.
 8

Para isso, o modelo tem como base de sua estrutura, as características pessoais que
incluem dados demográficos, confiança, conhecimento do domínio e controle percebido
(Fishbein & Ajzen, 1975). A experiência e a interação, estão relacionadas diretamente às
atitudes no Technology Acceptance Model (TAM) (Davis, 1989). Além disso, o modelo
fundamenta-se nas estruturas de Venkatesh et al. (2003) e Xiao e Benbasat (2007),
demonstrando que a experiência e a interação normalmente dependem de características
pessoais e situacionais.
O modelo também tem como base o User experience Model (UX) (Hassenzahl, 2005),
para avaliar os aspectos objetivos do sistema (algoritmos usados, design visual e interação,
forma como são apresentadas as recomendações e os recursos adicionais); os aspectos
subjetivos do sistema (características pragmáticas e características hedônicas). Por fim, as
caracteristicas situacionais, as quais dependem do contexto da interação; em diferentes
momentos, os usuários podem ter diferentes objetivos de escolha, preocupações de confiança,
privacidade e familiaridade com o sistema (McNee et al., 2006).
Portanto, para este estudo serão utilizados os construtos: eficácia e entretenimento,
qualidade de conteúdo, e variedade, presentes no modelo de Knijnenburg et al. (2012),
conforme apresentados na sequência.
Variedade se refere às percepções dos indivíduos quanto à variedade do conteúdo
disponibilizada pelo sistema de recomendação (Ziegler et al., 2005). Na Netflix, essa variedade
pode ser evidenciada a partir do tipo de conteúdo que é entregue ao público, a partir das
recomendações, seja em conteúdos de mesmo gênero, mas diferentes entre si, ou em conteúdos
de gêneros diferentes.
Estudos relevam que a percepção da variedade das recomendações é um mediador
importante na previsão dos efeitos dos aspectos subjetivos do sistema: qualidade de conteúdo
e eficácia e entretenimento (Tam & Ho, 2005; Komiak & Benbasat, 2006; Knijnenburg et al.,
2010). Logo, assume-se que:
H1: A variedade do sistema de recomendação está relacionada positivamente com a qualidade do
conteúdo da Netflix.
H2: A variedade do sistema de recomendação está relacionada positivamente com a eficácia e
entretenimento da Netflix.
Qualidade do conteúdo é um construto que visa mensurar às percepções dos indivíduos
quanto à qualidade do conteúdo oferecida pelo sistema de recomendação da plataforma (Bollen
et al., 2010). Em vista da produção de conteúdo independente realizada pela Netflix, a qualidade
do conteúdo pode ser considerada até um diferencial, uma vez que a empresa se utiliza da
 9

preferência dos usuários, para lançar novos filmes, séries, documentários, entre outros (Valiati,
2018).
Então, à medida que o usuário percebe qualidade na recomendação, isto o leva a realizar
uma avaliação mais positiva do sistema, uma maior satisfação com os itens escolhidos, além de
perceber uma maior eficácia e entretenimento para o conteúdo recomendado (Kamis & Davern,
2004; Hu & Pu, 2010; Knijnenburg et al., 2011). Por isso, propõe-se as seguintes hipóteses:
H3: A qualidade do conteúdo da Netflix está relacionada positivamente com a eficácia e entretenimento
da Netflix.
H4: A qualidade do conteúdo da Netflix está relacionada positivamente com a satisfação do usuário.
A Figura 03 apresenta este modelo com as hipóteses centrais deste estudo.
Figura 03
Modelo Conceitual proposto

Fonte: Adaptado de Knijnenburg et al. (2012).

Quanto a Eficácia e Entretenimento, este construto pode ser definido como às
percepções dos indivíduos quanto à eficácia das recomendações e o entretenimento
proporcionado pelo sistema de recomendação (Knijnenburg et al., 2012). Logo, mediante a
eficácia do sistema, resultam em melhores recomendações, que levam a uma melhor
experiência do usuário em termos de satisfação (Pommeranz et al., 2012; Zanker, 2012). Diante
disso, supõe-se que:
H5: A eficácia e entretenimento da Netflix está relacionada positivamente com a satisfação do usuário.

3. Procedimentos Metodológicos

A presente pesquisa tem como objetivo analisar as opiniões dos usuários da Netflix
sobre os conteúdos indicados pelos sistemas de recomendação da plataforma e sua relação com
a satisfação, assumindo natureza quantitativa de caráter descritivo. O estudo, pode ser
classificado como de corte transversal, mensurando características em um único ponto no
tempo, e do tipo correlacional, posto que não houve de forma deliberada a manipulação de
variáveis, e sim a obtenção dos dados por meio do instrumento de coleta estruturado.
 10

O instrumento de coleta correspondeu a um questionário estruturado, realizando o

levantamento de dados a partir da Web, aplicando um survey (Apêndice I). A coleta foi realizada
por meio do Google Forms entre os dias 14 de julho de 2021 e 11 de agosto de 2021. A
divulgação e envio dos questionários se deu por meio de redes sociais: Instagram, Facebook e
WhatsApp.
O público-alvo da pesquisa correspondeu aos usuários da Netflix, maiores de 18 anos.
A amostra foi do tipo não probabilística e por acessibilidade. Para a definição do seu tamanho,
utilizou-se o critério de normas práticas de Hair et al. (2015) para Modelagem de Equações
Estruturais (MEE), em que para cada indicador é desejado ao menos quinze observações. A
amostra final contou com 429 respostas válidas, e foi considerada satisfatória por apresentar
um valor superior ao necessário para 20 itens psicométricos.
O questionário para coleta de dados foi segmentado em duas partes. A primeira consistiu
nos 20 itens de construtos, adaptados e traduzidos de Knijnenburg et al. (2012) e Castro e
Ribeiro (2005), que mensuram as variáveis latentes e suas relações segundo o modelo estrutural
sugerido no aporte teórico, cujos domínios podem ser observados na Tabela 01. A modalidade
de resposta consistia em escala de concordância variando entre 1 (discordo totalmente) e 7
(concordo totalmente). A segunda parte do instrumento abrangeu questões de análise
demográficas e socioeconômicas dos usuários, além de aspectos relacionados ao tipo de
assinatura, frequência de uso, quantidade de conteúdos assistidos, e uma questão aberta onde
os usuários podiam manifestar sua opinião sobre a plataforma.

Tabela 01
Domínios dos construtos da pesquisa
CONSTRUTO DEFINIÇÃO VARIÁVEIS
VAR1 - Vários conteúdos na lista de recomendações são
muito diferentes um do outro.
Refere-se às percepções
VAR2 - A lista de conteúdos recomendados tem uma
Variedade dos individuos quanto à
variedade alta.
(Knijnenburg et variedade do conteúdo
VAR3 - A lista de conteúdos recomendados não era muito
al., 2012) disponibilizada pelo
semelhante.
sistema de recomendação.
VAR4 - Gostei de cada um dos conteúdos recomendados
pelo sistema de recomendação.
QC1 - Gosto da lista de recomendações.
QC2 - Gosto de assistir os conteúdos escolhidos pelo
Refere-se às percepções sistema de recomendação para mim.
Qualidade de
dos indivíduos quanto à QC3 - Os conteúdos escolhidos se encaixam na minha
conteúdo
qualidade do conteúdo preferência.
(Knijnenburg et
oferecida pelo sistema de QC4 - Alguns dos conteúdos escolhidos pelo sistema de
al., 2012)
recomendação. recomendação podem se tornar parte dos meus favoritos.
QC5 - Eu recomendo alguns dos conteúdos escolhidos para
mim a outras pessoas.
 11

EE1 - Eu me divirto quando estou usando o sistema de

recomendação.
EE2 - O uso do sistema de recomendação é uma experiência
Refere-se às percepções agradável.
Eficácia e
dos indivíduos quanto à EE3 - O sistema de recomendação é útil.
Entretenimento
eficácia e entretenimento EE4 - Usar o sistema de recomendação me deixa feliz.
(Knijnenburg et
do conteúdo recomendado EE5 - Faço melhores escolhas de conteúdo com o sistema
al., 2012)
pela plataforma. de recomendação.
EE6 - Eu uso o sistema de recomendação para relaxar.
EE7 - Posso encontrar melhores conteúdos usando o sistema
de recomendação.
SAT1 - De forma geral, minha decisão de assinar os
Refere-se à avaliação do serviços da Netflix foi sensata.
Satisfação consumidor sobre a SAT2 - De forma geral, utilizar os serviços da Netflix tem
(Castro & compra e experiência de resultado em uma boa experiência.
Ribeiro, 2005) consumo de um produto, SAT3 - De forma geral, estou encantado com os serviços
serviço ou fornecedor. prestados pela Netflix.
SAT4 - De forma geral, estou satisfeito com a Netflix.
Fonte: Elaborado pelos autores.
O instrumento de coleta de dados foi submetido ao processo de validação, seguindo
operacionalizações qualitativas por meio da validade de translação (de face e de conteúdo) para
avaliar a representatividade do item ao construto e a clareza do enunciado. Os questionários de
validação foram enviados para 6 especialistas. Após a coleta dos questionários de validação,
foi realizada a extração da média dos itens, avaliação das sugestões e implementações das
propostas de aprimoramento. Por fim, foi aplicado um pré-teste com 22 pessoas, contudo, não
foi necessário realizar alterações.
No que se refere aos procedimentos de análise, inicialmente os dados passaram por uma
análise exploratória preliminar, em vista da verificação da idade dos respondentes e
assertividade quanto a questão filtro, com o propósito de excluir as possíveis respostas que
estivessem inadequadas a esses dois parâmetros. Não foram detectados dados perdidos
(missing values) e observações atípicas (outliers), devido à obrigatoriedade de resposta das
perguntas nos questionários online.
Posteriormente, foi realizada a análise descritiva da amostra e dos construtos, a partir da
verificação da média, mediana e desvio-padrão. Após a finalização da etapa descritiva, foram
realizados testes de normalidade e dissimilaridade. Neste caso, foram realizados os testes de
ajustamento de Kolmogorov-Smirnov e Shapiro-Wilk, para verificar o ajustamento dos dados
à distribuição teórica da normal. E, para o teste de dissimilaridade, realizou-se o cálculo da
Distância de Mahalanobis (D²), sendo excluídas três observações inválidas.
Após o processo de inspeção e realização dos testes de normalidade, foi adotada a
modelagem de equações estruturais (MEE) com estimação por mínimos quadrados parciais
(PLS-SEM). Inicialmente, o modelo de mensuração foi usado para avaliar os relacionamentos
 12

entre as variáveis e os indicadores correspondentes. Desse modo, como sugerido por Fornell e
Larcker (1981) e Hair et al. (2015), a partir de uma análise fatorial confirmatória (AFC), foram
acessadas a confiabilidade, a validade convergente e a discriminante das escalas, e a seguir, a
modelagem estrutural foi realizada. É importante mencionar que para auxiliar nos
procedimentos de análise o único software estatístico utilizado foi o The R Project for Statistical
Computing – R, Version 4.1.2. para Windows.

4. Resultados e Discussão
Conforme mencionado anteriormente, a amostra desta pesquisa foi composta pelos
usuários maiores de 18 anos da Netflix, correspondendo a 429 respondentes. O perfil dos
respondentes pode ser observado na Tabela 02, ressalta-se que talvez o baixo número de
conteúdos assistidos seja reflexo do binge watching, prática comum na plataforma (Aguiar-
Costa, 2019).
Tabela 02
Perfil dos respondentes
ESTATÍTICA DESCRITIVA
VARIÁVEIS CATEGORIAS
N (= 429) %
Feminino 283 65,9
Sexo Maculino 142 33,2
Não informou 4 0,9

Fundamental Completo 1 0,3

Ensino médio Incompleto 1 0,3
Ensino médio Completo 60 14,2
Escolaridade
Superior Incompleto 150 34,6
Superior Completo 88 21,1
Pós-graduação 129 29,5

Até R$ 2.200,00 146 33,7

De R$ 2.200,01 a R$ 4.400,00 112 25,9
De R$4.400,01 a R$6.600,00 67 15,5
Renda
De R$ 6.600,01 a R$ 8.800,00 35 8,2
De R$ 8.800,01 a R$ 11.000,00 28 6,8
R$ 11.000,01 ou mais 41 9,9

Solteiro(a) 267 61,7

Casado(a) 111 25,9
União estável 31 7,5
Estado Civil
Separado(a) 5 1,2
Divorciado(a) 11 2,7
Viúvo(a) 4 1,0

Nordeste 311 73,1

Norte 8 1,5
Sudeste 70 16,0
Região
Centro-Oeste 17 4,1
Sul 20 4,6
Não mora no Brasil 3 0,7
 13

Menos de 2 vezes 29 6,8

De 2 a 4 vezes 95 21,8
Frequência de uso da
De 5 a 7 vezes 73 16,5
Plataforma (mês)
De 8 a 10 vezes 37 8,7
Mais de 10 vezes 195 46,2

Até 6 meses 26 5,8

De 6 meses a 1 ano 37 8,7
Tempo de assinatura De 1 a 2 anos 85 20,1
De 2 a 4 anos 152 35,4
Mais de 4 anos 129 30,0

Menos de 2 conteúdos 52 12,1

De 2 a 4 conteúdos 184 42,6
Quantidade de conteúdos
De 5 a 7 conteúdos 91 21,3
assistidos (mês)
De 8 a 10 conteúdos 37 9,0
Mais de 10 conteúdos 65 15,0

Não paga, mas utiliza 104 24,7

Tipo de conta Paga e divide com outras pessoas 257 60,0
Paga, e é o único usuário 68 15,3
Fonte: Elaborado pelos autores.

4.1. Confiabilidade e validade das escalas

A análise fatorial confirmatória (AFC) foi realizada para avaliar a qualidade e

adequação do modelo de mensuração. A Tabela 03 apresenta os itens com as cargas fatoriais,
o Cronbach’s Alpha e a confiabilidade composta (CR) por construto e a variância média
extraída (AVE) das variáveis latentes utilizadas no modelo.
As escalas utilizadas nos construtos apresentaram índices de consistência interna
adequados (Alpha ≥ 0,7), com exceção da Variedade. Contudo, a segunda medição de
consistência interna, a Confiabilidade Composta (CR), revelou que os instrumentos possuem
bons índices de adequação, variando entre 0,759 e 0,945. Visando a melhoria da AVE, foram
excluídos do modelo os itens VAR1 e VAR3 do construto Variedade, mas, foram mantidos
itens de cargas inferiores a 0,7 para privilegiar a validade de conteúdo (Bido & Silva, 2019),
tendo em vista que excluir tais itens não produziram melhorias nas AVE. Estes resultados, ainda
que resguardado o valor da Variedade no teste Cronbach’s Alpha, mostraram um ajuste
aceitável entre o modelo de mensuração e o conjunto de dados.
 14

Tabela 03
Resultados da análise fatorial confirmatória
CARGAS
CONSTRUTOS VARIÁVEIS Cronbach’s α CR AVE
FATORIAIS
EE1 0.831
EE2 0.890
EE3 0.815
Eficácia e
EE4 0.883 0,931 0,945 0.709
Entretenimento (EE)
EE5 0.871
EE6 0.773
EE7 0.828
QC1 0.812
QC2 0.837
Qualidade do
QC3 0.844 0,860 0,900 0.644
Conteúdo (QC)
QC4 0.811
QC5 0.700
VAR2 0.632
Variedade (VAR) 0,424 0,759 0.620
VAR4 0.917
SAT1 0.852
SAT2 0.914
Satisfação (SAT) 0,904 0,933 0.777
SAT3 0.876
SAT4 0.883
Fonte: Elaborado pelos autores.
As AVE mensuradas se mantiveram acima de 50%, variando entre 62,0 e 77,7%, o que
garante que este modelo de mensuração alcançou a validade convergente. Além disso, a
validade discriminante foi acessada a partir do critério de Fornell e Larcker (1981). Assim,
conforme exposto na Tabela 04, as raízes quadradas das variâncias médias extraídas (destacadas
na diagonal) são notadamente superiores que o coeficiente de determinação dos construtos, o
que sustentou a validade discriminante. Portanto, dados esses resultados, pode-se concluir que
o modelo de mensuração apresenta adequação da confiabilidade, da validade convergente e da
validade discriminante.
Tabela 04
Validade discriminante da mensuração do modelo e estatísticas descritivas
Qualidade Eficácia e
Construtos Mediana Desvio-padrão Variedade Satisfação
do Conteúdo Entretenimento
Variedade 4,5 1,06 0.787 0.188 0.314 0.419

Satisfação 6,0 1,10 0.882 0.177 0.249

Qualidade do
Conteúdo 5,2 1,21 0.802 0.709

Eficácia e
4,7 1,36 0.842
Entretenimento
Fonte: Elaborado pelos autores.
Após viabilizar a continuação da pesquisa, o passo seguinte correspondeu às análises
descritivas dos construtos latentes. Conforme visualizado na Tabela 04, a mediana acerca da
 15

Variedade (4,5) pode indicar que os usuários percebem uma variedade nos conteúdos
recomendados pela plataforma.
Nesta perspectiva, percebe-se um nível elevado na mediana da Qualidade do Conteúdo
(5,2), evidenciando que os conteúdos indicados pelo sistema de recomendação da Netflix, estão
alinhados com as preferências dos usuários. Além disso, no que se refere a Eficácia e
Entretenimento, sua mediana (4,7) pode indicar à utilização da plataforma como forma de
diversão para os usuários, além de ser útil na recomendação de conteúdos.
Por fim, a Satisfação apresentou a maior mediana entre os construtos avaliados (6,0),
sugerindo que os usuários estão satisfeitos quanto aos serviços de streaming oferecidos pela
Netflix.

4.2. Análise do modelo e verificação das hipóteses

A qualidade do ajuste do modelo conceitual proposto foi avaliada por meio dos
seguintes indicadores: NFI (índice de ajuste normalizado), e SRMR (raiz quadrada média
residual padronizado). O NFI representa uma medida de ajuste incremental, resultando em
valores entre 0 e 1, sendo assim, quanto mais próximo de 1, melhor o ajuste (Kline, 2011). Já o
SRMR permite avaliar a magnitude média das discrepâncias entre as correlações observadas e
esperadas como uma medida absoluta do critério de ajuste (modelo) (Hu & Bentler, 1999). Um
valor inferior a 0,10 ou de 0,08, é considerado um bom ajuste. No geral, os índices mostraram
um bom ajuste do modelo, NFI = 0,865, SRMR = 0,058.
Nesta perspectiva foi verificada a acurácia e a capacidade preditiva do modelo
estrutural. O coeficiente de determinação (R²) assume um valor variável entre 0 e 1 e é comum
que em pesquisas acadêmicas se adote padrões de valores próximos de 0,75, 0,50 e 0,25 para o
R² como forma de mensurar acurácias substanciais, moderadas e fracas, respectivamente (Hair
et al., 2015). Além disso, foi realizado o cálculo da relevância preditiva, realizado pela técnica
de blindfolding (Q²), onde valores maiores que 0 indicam que os construtos exógenos possuem
relevância preditiva sobre os construtos endógenos (Hair et al., 2015). Sendo assim, a Tabela
05 demonstra os resultados dos testes de relevância e acurácia para o modelo estrutural em
estudo.
Tabela 05
Resultados do teste de relevância e acurácia
Construtos R2 Q2
Eficácia e Entretenimento 0.731 0.513
Qualidade do Conteúdo 0.314 0.198
Satisfação 0.250 0.191
Fonte: Elaborado pelos autores.
 16

A partir destes resultados, verifica-se adequação do modelo proposto, e assim, pôde ser
iniciada a etapa do teste das hipóteses. Para melhor visualização dos resultados, a Tabela 06
apresenta as hipóteses postuladas e os valores obtidos.
Tabela 06
Resultados do teste de hipóteses
Hipóteses Path coefficients T-Statistics p-values Resultado
H1: Variedade => Eficácia e
0.269 7.976 .000 Suportada
Entretenimento
H2: Variedade => Qualidade do
0.560 16.569 .000 Suportada
Conteúdo
H3: Qualidade do Conteúdo =>
0.674 22.938 .000 Suportada
Eficácia e Entretenimento
H4: Qualidade do Conteúdo =>
0.028 0.324 .746 Não Suportada
Satisfação
H5: Eficácia e Entretenimento =>
0.476 6.153 .000 Suportada
Satisfação
Fonte: Elaborado pelos autores.
A variedade do conteúdo percebida influencia significativamente a eficácia e
entretenimento (β = 0.269, p < 0.001) e a qualidade do conteúdo dos sistemas de recomendação
da Netflix (β = 0.560, p < 0.001), o que suporta as hipóteses H1 e H2, respectivamente. Do
mesmo modo, a qualidade do conteúdo apresenta influência positiva significativa na eficácia e
entretenimento (β = 0.674, p < 0.001), suportando a hipótese H3.
A qualidade do conteúdo indicado pelos sistemas de recomendação da Netflix não se
mostrou significativamente relacionada com a satisfação (β = 0.028, p = 0.746), portanto, a
hipótese H4, não foi suportada. Contudo, a eficácia e entretenimento da plataforma se mostrou
estatisticamente significativa na relação com a satisfação do usuário da Netflix (β = 0.476, p <
0.001), o que suportou a hipótese H5. A Figura 04 mostra os resultados destas relações causais.
Figura 04
Relação causal entre os construtos do modelo

Fonte: Elaborado pelos autores.

 17

4.3. Discussões e Implicações

A vigente pesquisa identificou que a variedade percebida está positivamente relacionada

à eficácia e entretenimento. Este achado corrobora com o estudo de Tam e Ho (2005), na medida
em que evidenciam a relevância da variedade percebida para demonstrar a acurácia do
algoritmo quanto às suas recomendações. Além disso, ela ainda proporciona ao usuário uma
melhor experiência relacionada ao entretenimento.
Nessa perspectiva, alguns respondentes registraram comentários sobre esses aspectos,
os quais se alinham com os resultados: “A Netflix é muito agradável. Sempre encontro filmes,
séries ou documentários que prendem a minha atenção e me transmitem alegria e sossego”,
“Essa plataforma é uma das minhas possibilidades de diversão e ouso a dizer que é o meu
momento de lazer ao utilizá-la”, “Gosto bastante pela variedade”, “Eu amo a Netflix pelo
simples fato de ser a empresa que mais investe em variedade, embora seu foco seja os seriados
Estadunidenses, eles compram animes japoneses de peso e investem bastante em produções do
mundo todo incluindo do Brasil”.
Ressalta-se a importância desses construtos, uma vez que eles podem contribuir para
compreender os motivos que levam o usuário a passar mais tempo utilizando a plataforma,
assistindo os conteúdos recomendados, colaborando para a sua experiência, além de contribuir
para a manutenção de sua assinatura (Jones et al., 2009). No entanto, Van Velsen et al. (2008)
verificaram que uma grande variedade de conteúdos, também pode trazer impactos negativos,
demonstrando uma baixa eficiência do sistema, uma vez que os usuários dispendem mais tempo
na plataforma para encontrarem o conteúdo que desejam.
A variedade também contribui significativamente para que o usuário perceba a
qualidade do contéudo recomendado pela plataforma, este resultado alinha-se com os de
Komiak e Benbasat (2006), uma vez que o usuário aprova o conteúdo recomendado e passa a
consumi-lo, avaliando-o positivamente. Isto, pode ser evidenciado em alguns comentários,
como: “Eu conheci duas séries, por meio do sistema de recomendação, que se tornaram as
minhas preferidas: ‘Como defender um assassino’ e ‘Pose’”, “Grande parte das recomendações
me agradam. Alguns filmes que mais gostei no catálogo, foram os recomendados”.
Além disso, percebe-se que na Netflix a distribuição das suas recomendações segue uma
estrutura lógica na lista de recomendações (especificamente, categorizar as recomendações para
refletir diferentes trade-offs), isto leva a uma maior variedade categórica percebida das
recomendações, uma maior percepção de eficácia, confiança na decisão e uma maior intenção
de reutilizar o sistema e consumir os seus conteúdos (Hu & Pu, 2011; Chen & Pu, 2012).
 18

Verificou-se também que a qualidade do conteúdo exerce influência na eficácia e

entretenimento percebida do sistema de recomendação. Isto implica dizer, que bons conteúdos
indicados pelo sistema de recomendação dão a sensação que a plataforma está alinhada com a
preferência do usuário e consequentemente, proporcionam momentos de diversão e lazer.
Contudo, ao que parece, a qualidade do conteúdo não é suficiente para afetar a satisfação
do consumidor. Este resultado surpreende, uma vez que os achados de Kamis e Davern (2004)
e Hu e Pu (2010), mostram o contrário. Uma possível razão pode ser que os usuários não foram
capazes de notar as diferenças de qualidade entre os conteúdos recomendados, estas podem ter
sido muito pequenas para serem notadas e, portanto, não influenciariam a experiência do
usuário. Outra explicação possível, pode ser que os usuários tenham observado as diferenças
de qualidade, mas não foram influenciados por essas diferenças em sua experiência, por
exemplo, eles podem ver boas recomendações acompanhadas de algumas ruins, o que torna sua
decisão final mais fácil de justificar. Finalmente, um efeito de percepção da qualidade do
conteúdo pode existir, mas apenas ser ofuscado por diferenças individuais de percepção (isso
não é improvável para os sistemas de recomendação, pois seu efeito não é igual para cada
usuário), ou culturais.
Nesse contexto, Herlocker et al. (2000) descobriram que os usuários gostam de
explicações para os conteúdos indicados pelos sistemas de recomendação. Felfernig et al.
(2007) e Cramer et al. (2008) afirmam que as explicações aumentam a percepção dos usuários
sobre a eficácia do sistema e sua satisfação com a qualidade das recomendações. Nesse mesmo
sentido, Tintarev e Masthoff (2012) complementam afirmando que os usuários tendem a gostar
mais de explicações personalizadas (ou seja, explicações que destacam fatos relacionados às
suas preferências).
O fato é que a forma de avaliação do conteúdo também pode exercer influência nesses
resultados, uma vez que estes afetam as recomendações (Knijnenburg & Willemsen, 2009;
Knijnenburg et al., 2011). Na Netflix, isto talvez possa ser reflexo da mudança da forma de
avaliação dos conteúdos pelos usuários, uma vez que a plataforma substituiu sua avaliação por
notas (de 1 a 5 estrelas), para apenas o “like” ou “dislike”, limitando as avaliações dos usuários
quanto a qualidade do conteúdo. Provavelmente, essa nova forma de avaliação seja
insatisfatória, visto que não contempla as possíveis situações: intensidade de aceitação,
intensidade de não aceitação e até indiferença.
Além disso, os resultados alcançados reforçam as considerações de Pommeranz et al.
(2012) e Zanker (2012), ao consubstanciarem a premissa de que a eficácia e entretenimento do
sistema de recomendação são elementos importantes para a satisfação do usuário. Deste modo,
 19

quando o usuário percebe uma assertividade na recomendação, e se diverte e relaxa a partir

desta, é provável que avalie positivamente sua experiência de consumo do serviço e com isso
fique satisfeito.
Em relação às implicações teóricas, entende-se que este trabalho contribui para uma
maior compreensão acerca do comportamento do consumidor sobre a utilização dos sistemas
de recomendação, sobretudo no entendimento dos efeitos da variedade, qualidade do conteúdo
e eficácia e entrenimento fornecido pelos sistemas de recomendação de uma plataforma de
VoD. Além disso, na perspectiva do comportamento do consumidor, as evidências empíricas
permitem uma melhor compreensão das ferramentas de inteligência artificial.
Quanto à perspectiva prática, é possível que os achados desta pesquisa possam ser úteis
a outras organizações que utilizam sistemas de recomendação como base de seu modelo de
negócio, sobretudo a Netflix, façam um uso mais eficaz de suas plataformas a fim de
proporcionar aos usuários uma melhor experiência de consumo, focando nos elementos que
contribuem para mantê-los satisfeitos e ativos.

5. Conclusões

Este trabalho se propôs a analisar as opiniões dos usuários da Netflix sobre os conteúdos
indicados pelos sistemas de recomendação da plataforma e sua relação com a satisfação. Os
resultados revelam que a variedade das recomendações é precedente da qualidade do conteúdo
recomendado e da eficácia e entretenimento proporcionado pelo sistema. Ademais, o estudo
reitera achados provenientes de pesquisas anteriores que evidenciaram sua influência nesses
construtos (Tam & Ho, 2005; Komiak & Benbasat, 2006).
Os resultados indicaram ainda que a qualidade do conteúdo influencia positivamente a
eficácia e entretenimento da plataforma, no entanto, não é suficiente para afetar a satisfação dos
usuários da Netflix. Isto, talvez seja reflexo das diferentes percepções, uma vez que os sistemas
de recomendações entregam conteúdos diferentes para cada usuário, ou ainda outros aspectos
como a forma de avaliação podem ter afetado as recomendações em face de sua limitação.
Além disso, verificou-se o efeito da eficácia e entretenimento na satisfação do usuário,
demonstrando que a assertividade nas recomendações, bem como a percepção de que a
plataforma proporciona diversão e lazer podem contribuir positivamente para a satisfação dos
assinantes da Netflix. De modo semelhante, através dos comentários espontâneos dos
respondentes, em sua grande maioria positivos, sobre a organização e os sistemas de
recomendações é possível identificar uma coerência com os resultados.
 20

Esta pesquisa ajuda a compreender de que modo fatores como variedade, qualidade do
conteúdo e eficácia e entretenimento fornecido pelos sistemas de recomendação de uma
plataforma de VoD interferem na satisfação do usuário. Logo, entende-se que o trabalho traz
contribuições para o campo de estudos envolvendo o comportamento do consumidor e a
utilização das ferramentas de inteligência artificial, sobretudo, dos sistemas de recomendações.
Portanto, conclui-se que variedade, qualidade do conteúdo, e eficácia e entretenimento dos
sistemas de recomendações da Netflix exercem influência na opinião de seu usuário,
contribuindo para a sua experiência, e consequentemente, se sintam satisfeitos com o serviço.
No que se refere às perspectivas gerenciais, é possível que os achados desta pesquisa
possam ser úteis a outras organizações que utilizam sistemas de recomendação como base de
seu modelo de negócio, sobretudo a Netflix, façam um uso mais eficaz de suas plataformas a
fim de proporcionar aos usuários uma melhor experiência de consumo, focando nos elementos
que contribuem para mantê-los satisfeitos e ativos.
Com relação às limitações do estudo, é válido destacar que não é possível generalizar
os achados encontrados, visto que a amostra utilizada foi do tipo não probabilística por
acessibilidade. Desta forma, é necessário prudência na tentativa de exploração dos resultados
para outros contextos.
Por fim, a pesquisa foi limitada apenas aos usuários da Netflix. No entanto, recomenda-
se que em estudos posteriores sejam utilizadas outras plataformas de VoD, para comparar os
resultados. Além disso, sugere-se a realização de Testes ANOVA de maneira com que ocorra
a análise das variâncias médias dos construtos contemplados neste estudo em relação às
variáveis sociodemográficas, resultando em um aprofundamento na caracterização do
comportamento dos indivíduos que compõem a amostra. Espera-se que o trabalho possa
estimular a realização de futuras pesquisas a fim de verificar antecedentes e demais
consequentes do comportamento do consumidor a partir da utilização de ferramentas de
inteligência artificial.

Referências

Aguiar-Costa, L. M. (2019). Só mais um... Entendendo a importância do binge watching em

plataformas de video on demand. João Pessoa, PB: Brasil.
Alvarez, E. B., Siriani, A. L. R., Vidotti, S. A. B. G., & De Carvalho, A. M. G. (2016). Os
Sistemas de Recomendação, Arquitetura da Informação e a Encontrabilidade da
Informação. Transinformacao, 28(3), 275–286. https://doi.org/10.1590/2318-
08892016000300003
Baierle, I. C., Sellitto, M. A., Frozza, R., Schaefer, J. L., & Habekost, A. F. (2019). An artificial
intelligence and knowledge-based system to support the decision-making process in sales.
 21

South African Journal of Industrial Engineering, 30(2), 17–25. https://doi.org/10.7166/30-

2-1964
Battaglia, F. (2021). Infográfico: qual o streaming com mais assinantes no mundo?. Super
Interessante. https://super.abril.com.br/cultura/infografico-qual-o-streaming-com-mais-
assinantes-no-mundo/
Beel, J., Gipp, B., Langer, S., & Breitinger, C. (2016). Research-paper recommender systems:
a literature survey. International Journal on Digital Libraries, 17(4), 305–338.
https://doi.org/10.1007/s00799-015-0156-0
Beladev, M., Rokach, L., & Shapira, B. (2016). Recommender systems for product bundling.
Knowledge-Based Systems, 111, 193–206. https://doi.org/10.1016/j.knosys.2016.08.013
Brei, V. A. (2020). Machine learning in marketing. Foundations and Trends in Marketing,
14(3), 173–236. https://doi.org/10.1561/1700000065
Brill, T. M., Munoz, L., & Miller, R. J. (2019). Siri, Alexa, and other digital assistants: a study
of customer satisfaction with artificial intelligence applications. Journal of Marketing
Management, 35(15–16), 1401–1436. https://doi.org/10.1080/0267257X.2019.1687571
Camerer, C. F., A. Dreber, F. Holzmeister, T.-H. Ho, J. Huber, M. Johannesson, M. Kirchler,
G. Nave, B. A. Nosek, T. Pfeiffer, A. Altmejd, N. Buttrick, T. Chan, Y. Chen, E. Forsell,
A. Gampa, E. Heikensten, L. Hummer, T. Imai, . . ., and H. Wu (2018). Evaluating the
replicability of social science experiments in nature and science between 2010 and 2015.
Nature Human Behaviour. 2(9), 637–644.
Campbell, C., Sands, S., Ferraro, C., Tsao, H. Y., & Mavrommatis, A. (2019). From data to
action: How marketers can leverage AI. Business Horizons. 63.
10.1016/j.bushor.2019.12.002.
Contrates, F. (2019). Sistemas de recomendação na Magalu | Nubank ML Meetup. Youtube.
https://www.youtube.com/watch?v=T6eJDKNPjpQ
Castro, Í., & Ribeiro, Á. (2005). Do valor à lealdade: escalas para medir níveis de lealdade e os
seus antecedentes. In: International Meeting of the Iberoamerican Academy of
Management, 4. Lisboa: Iberoamerican Academy of Management.
Cawsey, A. (1997). The essence of artificial intelligence. London: Prentice Hall.
Chin, W. W., Marcolin, B. L., & Newsted, P. R. (2003). A partial least squares latent variable
modeling approach for measuring interaction effects: Results from a Monte Carlo simulation
study and an electronic-mail emotion/adoption study. Information Systems Research, 14, 189–
217.
Danaf, M., Becker, F., Song, X., Atasoy, B., & Ben-Akiva, M. (2019). Online discrete choice
models: Applications in personalized recommendations. Decision Support Systems,
119(February), 35–45. https://doi.org/10.1016/j.dss.2019.02.003
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will
change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24–
42. https://doi.org/10.1007/s11747-019-00696-0
Dzyabura, D. and H. Yoganarasimhan (2018). “Machine learning and marketing”. In:
Handbook of Marketing Analytics. Edward Elgar Publishing.
Esmaeili, L., Mardani, S., Golpayegani, S. A. H., & Madar, Z. Z. (2020). A novel tourism
recommender system in the context of social commerce. Expert Systems with Applications,
149, 113301. https://doi.org/10.1016/j.eswa.2020.113301
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable
variables and measurement error. Journal of marketing research, 18(1), 39-50.
Garcia-Gathright, J., St Thomas, B., Hosey, C., Nazari, Z., & Diaz, F. (2018). Understanding
and evaluating user satisfaction with music discovery. In: 41st International ACM SIGIR
Conference on Research and Development in Information Retrieval, SIGIR 2018, January,
55–64. https://doi.org/10.1145/3209978.3210049
 22

Ginsberg, M. (1997). Essentials of artificial intelligence. California: Morgan Kaufmann.

Goodfellow, I., Y. Bengio, and A. Courville (2016). Deep Learning. Cambridge: MIT Press.
Gomez-Uribe, C. A., & Hunt, N. (2015). The netflix recommender system: Algorithms,
business value, and innovation. ACM Transactions on Management Information Systems,
6(4). https://doi.org/10.1145/2843948
Ha, A. (2020). Netflix beats growth predictions with 15.77M net new subscribers. TechCrunch
- Startup and Tecnology News. https://techcrunch.com/2020/04/21/neflix-q1-earnings/
Hair, J. F., Black, W. C., Babin, B.J., Anderson, R. E., & Tatham, R. L. (2015). Multivariate
data analysis. Pearson Prentice Hall. 7th Edition.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report
the results of PLS-SEM. European Business Review. 31, 2–24. doi:10.1108/ebr-11-2018-
0203
Huawei. (2021). The Controversy of the Artificial Intelligence Schools.
https://forum.huawei.com/enterprise/en/the-controversy-of-the-artificial-intelligence-
schools/thread/568321-100429
Hwangbo, H., & Kim, Y. (2019). Session-Based Recommender system for sustainable digital
marketing. Sustainability (Switzerland), 11(12), 1–19.
https://doi.org/10.3390/SU11123336
Iansiti, M., & Lakhani, K. R. (2020). A competição na era da IA. Harvard Business Review,
98(2), 38–45.
Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender Systems: An
Introduction. 10.1017/CBO9780511763113.
Janiesch, C., Zschech, P. & Heinrich, K. (2021). Machine learning and deep learning. Electron
Markets, 31, 685–695. https://doi-org.ez292.periodicos.capes.gov.br/10.1007/s12525-
021-00475-2
Jarek, K., & Mazurek, G. (2019). Marketing and artificial intelligence. Central European
Business Review, 8(2). https://doi.org/10.18267/j.cebr.213
Jones, N., Pu, P., & Chen, L. (2009). How users perceive and appraise personalized
recommendations. In: 17th International Conference on User Modeling, Adaptation, and
Personalization Conference, 5535, 461–466. Trento, Italy, LNCS.
Kavinski, A. (2020). Como a Amazon usa Inteligência Artificial em tudo que faz. E-Commerce
Brasil. https://www.ecommercebrasil.com.br/artigos/como-a-amazon-usa-inteligencia-
artificial-em-tudo-que-faz/
Knijnenburg, B. P., Reijmer, N. J. M., & Willemsen, M.C. (2011). Each to his own:
howdifferent users call for different interaction methods in recommender systems. In: 5th
ACM Conference on Recommender Systems, 141–148. Chicago.
Knijnenburg, B. P., Willemsen, M.C. (2009). Understanding the effect of adaptive preference
elicitation methods on user satisfaction of a recommender system. In: Third ACM
Conference on Recommender Systems, 381–384. New York, NY.
Knijnenburg, B. P., Willemsen, M. C., Gantner, Z., Soncu, H., & Newell, C. (2012). Explaining
the user experience of recommender systems. User Modeling and User-Adapted
Interaction, 22(4–5), 441–504. https://doi.org/10.1007/s11257-011-9118-4
Köhler, S., Wöhner, T., & Peters, R. (2016). The impact of consumer preferences on the
accuracy of collaborative filtering recommender systems. Electronic Markets, 26(4), 369–
379. https://doi.org/10.1007/s12525-016-0232-3
Kumar, V., Dixit, A., Javalgi, R. (Raj) G., & Dass, M. (2016). Research framework, strategies,
and applications of intelligent agent technologies (IATs) in marketing. Journal of the
Academy of Marketing Science, 44(1), 24–45. https://doi.org/10.1007/s11747-015-0426-9
Kumar, V., Ramachandran, D., & Kumar, B. (2020). Influence of new-age technologies on
marketing: A research agenda. Journal of Business Research, January.
 23

https://doi.org/10.1016/j.jbusres.2020.01.007
Li, L., Chen, J., & Raghunathan, S. (2018). Recommender system rethink: Implications for an
electronic marketplace with competing manufacturers. Information Systems Research,
29(4), 1003–1023. https://doi.org/10.1287/ISRE.2017.0765
Libai, B., Bart, Y., Gensler, S., Hofacker, C. F., Kaplan, A., Kötterheinrich, K., & Kroll, E. B.
(2020). Brave new world? On AI and the management of customer relationships. Journal
of Interactive Marketing, 51, 44-56.
Leonard, A. (2013). How Netflix is turning viewers into puppets.
http://www.salon.com/2013/02/01/how_netflix_is_turning_viewers_into_puppets/>.
Marinchak, C. M. D., Forrest, E., & Hoanca, B. (2018). Artificial intelligence: Redefining
marketing management and the customer experience. International Journal of E-
Entrepreneurship and Innovation, 8(2), 14–24. https://doi.org/10.4018/IJEEI.2018070102
Molina, G. (2020). Netflix: Os segredos da estrutura do império. Edição do Kindle.
Nanas, N., De Roeck, A., & Vavalis, M. (2009). What Happened to Content-Based Information
Filtering?. 5766. 10.1007/978-3-642-04417-5_23.
Netflix. (2021). Como funciona o sistema de recomendações da Netflix?.
https://help.netflix.com/pt/node/100639.
Oliver, R. L. (1981). Measurement and evaluation of satisfaction processes in retail settings.
Journal of Retailing, 57(3), 25–48.
Overgoor, G., Chica, M., Rand, W., & Weishampel, A. (2019). Letting the computers take over:
Using Ai to solve marketing problems. California Management Review, 61(4), 156–185.
https://doi.org/10.1177/0008125619859318
Paradarami, T. K., Bastian, N. D., & Wightman, J. L. (2017). A hybrid recommender system
using artificial neural networks. Expert Systems with Applications, 83, 300–313.
https://doi.org/10.1016/j.eswa.2017.04.046
Pommeranz, A., Broekens, J., Wiggers, P., Brinkman, W. P., & Jonker, C. M. (2012). Designing
interfaces for explicit preference elicitation: a user-centered investigation of preference
representation and elicitation process. User Model. User-Adap. Inter. 22 (2012).
doi:10.1007/s11257-011-9116-6
Postmus, S., & Bhulai, S. (2018). Recommender system techniques applied to Netflix movie
data. Reasearch Paper Business Analytics, Vrije Universiteit Amsterdam.
Randolph, M. (2019). That Will Never Work: The Birth of Netflix and the Amazing Life of an
Idea. Little, Brown and Company. Edição do Kindle.
Ricci, F., Shapira, B., & Rokach, L. (2015). Recommender systems handbook, Second edition.
In: Recommender Systems Handbook, Second Edition. https://doi.org/10.1007/978-1-
4899-7637-6
Russel, S., & Norvig, P. (2010). Artificial Intelligence: A modern approach. 3.ed. New Jersey:
Pearson Education.
Rust, R. T. (2020). The future of marketing. International Journal of Research in Marketing,
37(1), 15–26. https://doi.org/10.1016/j.ijresmar.2019.08.002
Schipmann, E. (2019). Artificial Intelligence : The cutting-edge technology that revolutionizes
the digital marketing. 11. https://essay.utwente.nl/78559/
Seo, Y. D., Kim, Y. G., Lee, E., & Baik, D. K. (2017). Personalized recommender system based
on friendship strength in social network services. Expert Systems with Applications, 69,
135–148. https://doi.org/10.1016/j.eswa.2016.10.024
Steinhoff, L., Arli, D., Weaven, S., & Kozlenkova, I. V. (2019). Online relationship marketing.
Journal of the Academy of Marketing Science, 47(3), 369–393.
https://doi.org/10.1007/s11747-018-0621-6
Subbian, K., Aggarwal, C., & Hegde, K. (2016). Recommendations for streaming data.
International Conference on Information and Knowledge Management, Proceedings, 24-
 24

28-Octo, 2185–2190. https://doi.org/10.1145/2983323.2983663

Syam, N., & Sharma, A. (2018). Waiting for a sales renaissance in the fourth industrial
revolution: Machine learning and artificial intelligence in sales research and practice.
Industrial Marketing Management, 69, 135–146.
https://doi.org/10.1016/j.indmarman.2017.12.019
Tam, K.Y., & Ho, S.Y. (2005). Web personalization as a Persuasion strategy: an elaboration
likelihood model perspective. Inf. Syst. Res. 16, 271–291.
Underwood, C. (2020). Use Cases of Recommendation Systems in Business – Current
Applications and Methods. Emerj - The AI Research and Advisory Company.
https://emerj.com/ai-sector-overviews/use-cases-recommendation-systems/
Valiati, V. A. D. (2018). “Você ainda está assistindo?”: O consumo audiovisual sob demanda
em plataformas digitais e a articulação das práticas relacionadas à Netflix na rotina dos
usuários. Porto Alegre, RS: Brasil.
Van Velsen, L., VanDer Geest, T., Klaassen, R., & Steehouder, M. (2008). User-centered
evaluation of adaptive and adaptable systems: a literature review. Knowl. Eng. Rev. 23,
261–281.
Wicks, A. M., & Roethlein, C. J. (2009). A satisfaction-based definition of quality. Journal of
Business & Economic Studies, 15, 82-97.
Wirth, N. (2018). Hello marketing, what can artificial intelligence help you with? International
Journal of Market Research, 60(5), 435–438. https://doi.org/10.1177/1470785318776841
Wu, M. L., Chang, C. H., & Liu, R. Z. (2014). Integrating content-based filtering with
collaborative filtering using co-clustering with augmented matrices. Expert systems with
applications, 41(6), 2754-2761.
Zeithaml, V. A., Bitner, M. J., & Gremler, D. (2003). Customer perceptions of service. Services
Marketing: Integrating Customer Focus across the Firm.
Ziegler, C., McNee, S., Konstan, J., & Lausen, G. (2005). Improving recommendation lists
through topic diversification. In: 14th international World Wide Web Conference, 22–32.
China, Japan.
Zhang, Z. (2020). Big data analysis with artificial intelligence technology based on machine
learning algorithm. Journal of Intelligent & Fuzzy Systems, 1–8. doi:10.3233/jifs-191265
Zhang, Q., Lu, J., & Jin, Y. (2021). Artificial intelligence in recommender systems. Complex
& Intelligent Systems, 7, 439–457. https://doi.org/10.1007/s40747-020-00212-w
 25

Apêndice I – Questionário
26